编辑推荐：
骨龄评估在儿科生长 disorders 诊断中至关重要，AI系统较传统方法在准确性和可重复性上更具优势。本研究纳入203例患儿（平均9岁），比较骨龄AI软件（BoneView）与Greulich-Pyle（GP）和Tanner-Whitehouse 2型（TW2）评估的准确性，结果显示AI MAE（1.38年）与GP（1.30年）相当且优于TW2（2.86年），AI与TW2相关性较弱（r=0.857 vs 0.490）。研究证实AI可提升骨龄评估一致性，但需在多元族群中进一步验证。
骨龄评估在评估儿童生长障碍方面至关重要。与传统方法相比，人工智能（AI）系统在准确性和重复性方面具有潜在的优势。
比较一种市售的基于人工智能的软件（BoneView BoneAge，法国巴黎Gleamer公司开发）与两种人工评估方法——Greulich-Pyle（GP）图谱和Tanner-Whitehouse第2版（TW2）在儿童群体中的表现。
这项概念验证研究包括了203名儿童患者（平均年龄9.0岁；年龄范围2.0至17.0岁），他们因疑似内分泌或生长相关问题接受了手部和腕部X光检查。排除技术上不合适的图像后，使用AI和GP评估方法对157例病例进行了分析。另有35名患者由儿科内分泌科医生使用TW2方法进行了评估。性能指标通过平均绝对误差（MAE）、均方根误差（RMSE）、偏差以及皮尔逊相关系数来衡量，以实际年龄作为参考。
AI模型的平均绝对误差（MAE）为1.38岁，与放射科医生基于GP的估计值（MAE为1.30岁）相当，且优于TW2（MAE为2.86岁）。RMSE值分别为1.75岁、1.80岁和3.88岁。AI的偏差最小（-0.05岁），而基于TW2的评估方法系统性地低估了骨龄（偏差为-2.63岁）。AI和GP与实际年龄之间的相关性很强（r=0.857和r=0.894），而TW2的相关性较弱（r=0.490）。
BoneView的准确性与放射科医生评估的GP方法相当，并且在该队列中优于TW2的评估结果。基于AI的系统可以提高儿童骨龄评估的一致性，但需要在种族多样性人群中进行仔细验证。
骨龄评估在评估儿童生长障碍方面至关重要。与传统方法相比，人工智能（AI）系统在准确性和重复性方面具有潜在的优势。
比较一种市售的基于人工智能的软件（BoneView BoneAge，法国巴黎Gleamer公司开发）与两种人工评估方法——Greulich-Pyle（GP）图谱和Tanner-Whitehouse第2版（TW2）在儿童群体中的表现。
这项概念验证研究包括了203名儿童患者（平均年龄9.0岁；年龄范围2.0至17.0岁），他们因疑似内分泌或生长相关问题接受了手部和腕部X光检查。排除技术上不合适的图像后，使用AI和GP评估方法对157例病例进行了分析。另有35名患者由儿科内分泌科医生使用TW2方法进行了评估。性能指标通过平均绝对误差（MAE）、均方根误差（RMSE）、偏差以及皮尔逊相关系数来衡量，以实际年龄作为参考。
AI模型的平均绝对误差（MAE）为1.38岁，与放射科医生基于GP的估计值（MAE为1.30岁）相当，且优于TW2（MAE为2.86岁）。RMSE值分别为1.75岁、1.80岁和3.88岁。AI的偏差最小（-0.05岁），而基于TW2的评估方法系统性地低估了骨龄（偏差为-2.63岁）。AI和GP与实际年龄之间的相关性很强（r=0.857和r=0.894），而TW2的相关性较弱（r=0.490）。
BoneView的准确性与放射科医生评估的GP方法相当，并且在该队列中优于TW2的评估结果。基于AI的系统可以提高儿童骨龄评估的一致性，但需要在种族多样性人群中进行仔细验证。
生物通 版权所有
